最近两个月，AI 个人助理这个赛道热闹得有点晃眼。九月初，Meta 发布了个人 AI 助理 Muse：帮你订餐厅、管日程、比价下单。紧接着，开源社区出了平替 nanoMuse——免费、开源、数据存在你自己家里，连「要做不可撤销的操作前，先停下来问你」这种细节都替你想到了，在开发者圈子里刷了屏。
作为一个在武汉做了二十多年软件的人，我第一时间装了 nanoMuse，认真用了几天。说句公道话：做得真好。多端接力、记得你的习惯、模型自己挑、几乎不要钱——宣传的那些好处，大都是真的。
然后我还是把它从手机首屏挪走了。
不是它不好。是那几天里的三件家常小事，让我想明白了一个道理：像我这样的普通人——要辅导孩子作业的家长、一天看几十个病人的诊所医生、天天要拍板签字的小老板——缺的从来不是一个「什么都会一点」的助理，而是一个「懂我这件事」的助理。
第一个场景发生在饭桌上。
上初中的女儿拿物理题问 AI，通用的助理是这么表现的：题目拍上去，三秒钟，完整的解题过程端上来，步骤清晰、格式漂亮。女儿照着抄完，说「懂了」。第二天同一类题，错题本上又多了一道。
问题不在答得对不对，在于直接给答案，恰恰是辅导作业里最没用的一步。孩子需要的是被追问「你觉得卡在哪一步」「上回类似的题你错在哪」，是把一道错题拆成四问：错在哪、为什么错、还有哪些题是同一个坑、下次怎么防。这套东西，教育上叫归因，AI 圈叫教学法，在我家叫「她妈和我都不会，所以才想找 AI」。
所以后来给女儿用的助理（现在叫问渠AI错题本，中学版）立了一条死规矩：永远不直接报答案。它只反问，一步一步把人往答案那边引；每道错题强制过一遍四问归因；错过的坑记在账上，下周的练习里换个马甲再出现一次，看她还掉不掉。
工具用了没几周，还不到谈效果的时点，数字先不写。但有一条我很确定：一个通用的聪明脑袋，抵不过一套为「初中物理错题」专门调教过的教法，加一本记得她错过什么的账。
这是垂直域的第一条优势：懂方法，比聪明更要紧。
第二个场景，来自一位开口腔诊所的朋友（化名周医生）。
口腔医生写病历是出了名的苦差事：一天几十个病人，病历要按规范写全，牙位、乳牙恒牙、处理记录，一个字段都不能含糊。周医生也试过用通用 AI——打几个字让它扩写，写出来的东西看着像模像样。但他跟我说了一句大实话：「看着像病历的东西，和能进我档案的病历，中间差着十万八千里。」
这不是 AI 不聪明，是通用的模型没人教过它这个行当的规矩：病历要按 SOAP 的格式来，主诉、检查、诊断、处理各自放在哪一栏；牙位写法有行业惯例；大模型偶尔还会犯「左右写反」这种外行看着无所谓、在诊室里能出纠纷的错。
后来我们给周医生做的助理，就干三件事：他看诊时口述三五分钟，AI 按口腔病历的规范格式出一份结构化草稿，八个字段一个不缺；他扫一眼改两处就能入档；复诊时，这位患者上回做了什么处理，助理记得。有一条红线要说清楚：它只做记录辅助，最终诊断和处理永远是医生确认——这不是免责话术，是产品本身的设计。
这是垂直域的第二条优势：行当有行当的规矩。通用助理给你「一份像病历的文字」，懂行的助理给你「一份能进档案的草稿」。差的那口气，是把医生确认过的真实病历回收成范例、一遍遍喂出来的格式感和分寸感——这东西不在任何通用模型里，只在一个个具体行当里。
第三个场景，是我自己。
小老板的日常，就是不停地开会、听汇报、拍板。我试过把纠结的事丢给通用 AI 问「你觉得呢」——它客气得让人绝望：你说东，它分析东的合理性；第二天你改说西，它又能把西夸出一朵花来。顺着你说，是通用助理的本分；敢反驳你，才是老板愿意掏钱的理由。厂子开得再稳，最贵的成本从来不是房租和工资，是决策错了没人敢说。
所以给自己搭的这个「老板外脑」，规矩跟前面两个正好反着来：我的会议录音每天自动归档；它每天早上要交一份「三问」晨报——昨天的判断里哪些有漏洞、藏着哪些商机和风险、今天最该泼自己的一盆冷水是什么。关键的一步写进了它的任务书：回答我之前，先翻我自己过去说过的话——上个月怎么判断的、后来打没打脸，账都在。
这个外脑上周刚开始搭，晨报的头几期什么水平，我自己也在等。但方向不再犹豫，因为逻辑前面两个场景已经验证过一遍：通用产品不是做不到，是它手里没有「你的行当 + 你的数据」。它不知道你在 10 月 12 号说过什么。
这是垂直域的第三条优势：普通助理帮你干活，垂直助理敢拦你犯错。
写到这里，得替 Muse 和 nanoMuse 这类产品说句公道话：多端接力、持续记住你的习惯、数据握在自己手里、成本低——这些方向全是对的，开源和透明对所有用户都是好事。我自己做了二十多年软件，也是最见不得数据攥在别人手里的那种人。
但对普通人来说，这些只是入学条件，不是毕业证书。一个 AI 助理对你有没有用，最后只取决于一件事：它懂不懂你那摊事。女儿的助理懂错题怎么归因，周医生的助理懂病历的格式和分寸，我的外脑正在学我公司半年的决策史。这三样东西，眼下任何一个通用产品都给不了——不是技术做不到，是这些知识长在一个个具体的行当、一户户具体的家庭、诊所和公司里，谁沉下去做，谁才有。
就像请保姆：会做饭会打扫是基本项；能不能按你家孩子的口味调菜谱、记不记得你爸妈的忌口，才决定你留不留得住她。
企业上 AI，是同一个道理。通用大模型是聪明脑袋，但真要在工厂、诊所、公司里干成事，靠的是懂你流程、带着你的历史数据上岗的行业数字员工——我们在《你需要一个新 CFO，也需要数字员工》里写过数字员工上岗要过的三道关，两条线说的是同一件事：聪明可以买到，懂你要自己攒。
这三个助理，最早都是给我自己家和身边朋友造的。最近问「能不能也给我整一个」的朋友多了起来，我们打算开放一小批内测：错题本、病历助理、老板外脑各一批，人数不会多——每个新用户的行当，都需要从头调教。想试的，欢迎在联系页留言。下一篇我们写翻车：AI 把病历的左右牙写反了，是什么体验。
强模型解决「会不会」，垂直价值在「合不合身」：行当的格式规矩、你的历史数据、长在你流程上的入口。通用底座越强，垂直助理的脑子越好使，两者更像上下游而不是替代关系。真正的分界在数据和流程：你的病历范例、错题账、决策史长在你自己那里，谁沉下去陪跑，谁才攒得下。
别从「全能管家」开始。挑一件高频、有明确完成标准的小事（错题归因、病历草稿、晨报三问都算），交给它跑两周，看它记不记得住、稳不稳定，再谈多端同步、长期记忆这些加分项。先有场景，再有助理。
三个观察点：一，输出是不是直接落在行当的标准格式上（比如病历八个字段），还是要你再加工；二，它记不记得你或你的服务对象的历史，并主动拿出来对照；三，在你没把话说全的时刻，它是泛泛而谈，还是按行当规矩把该问的先问了。
